在光的驱动下，互联催化剂在环境条件下利用空气作为绿色氧化剂进行反应。

实验过程中，网世研究人员往往达不到自己的实验预期，而产生了很多不理想的数据。最后我们拥有了识别性别的能力，神奇并能准确的判断对方性别。

然而，逻辑实验产生的数据量、种类、准确性和速度成阶梯式增长，使传统的分析方法变得困难。此外，互联目前材料表征技术手段越来越多，对应的图形数据以及维度也越来越复杂，依靠人力的实验分析有时往往无法挖掘出材料性能之间的深层联系。2018年，网世在nature正刊上发表了一篇题为机器学习在分子以及材料科学中的应用的综述性文章[1]。

3.1材料结构、神奇相变及缺陷的分析2017年6月，神奇Isayev[4]等人将AFLOW库和结构-性能描述符联系起来建立数据库，利用机器学习算法对成千上万种无机材料进行预测。然后，逻辑使用高斯混合模型对检测到的缺陷结构进行无监督分类（图3-12），并显示分类结果可以与特定的物理结构相关联。

经过计算并验证发现，互联在数据库中的26674种材料中，金属/绝缘体分类的准确度为86%，仅仅有2414种材料被误分类（图3-2）。

近年来，网世这种利用机器学习预测新材料的方法越来越受到研究者的青睐。想想都觉得不卫生，神奇不干净。

4、逻辑轧辊过载不转动。检查时，互联若筛面横向不水平，应调整左右吊杆的长度使之相等;若筛体出现扭摆，可调整偏心轮轴使之与机架垂直。

2、网世皮带打油不提料。若筛布净率低，神奇应更换新毛刷或调整毛刷长度，同时调整平筛的倾斜角度。